【摘要】：隨著物聯(lián)網(wǎng)和人工智能的發(fā)展,人們對(duì)基于位置的服務(wù)需求逐漸提升。基于位置的服務(wù)是指用戶通過(guò)移動(dòng)終端向服務(wù)端發(fā)送位置信息,服務(wù)端根據(jù)用戶的位置信息提供與實(shí)際位置相對(duì)應(yīng)的服務(wù)。由于WiFi技術(shù)在近十年來(lái)的迅速發(fā)展,大部分室內(nèi)環(huán)境中都有WiFi熱點(diǎn)的部署。而且WiFi熱點(diǎn)部署簡(jiǎn)單,價(jià)格低廉等,這些特性都非常適合用于室內(nèi)定位。近年來(lái),基于WiFi熱點(diǎn)的室內(nèi)定位成為研究熱點(diǎn),其中,基于位置指紋信息的定位方法成為主流。然而目前基于位置指紋信息的定位方法仍然只停留在理論層面,實(shí)際應(yīng)用中卻非常少見(jiàn)。主要原因是需要室內(nèi)定位系統(tǒng)的場(chǎng)景中通常會(huì)有非常大的定位區(qū)域,這種場(chǎng)景下AP部署多、環(huán)境復(fù)雜多變,對(duì)定位系統(tǒng)的定位效果和運(yùn)行效率都有非常大的挑戰(zhàn)。本文針對(duì)這種大型定位場(chǎng)景,進(jìn)行了對(duì)傳統(tǒng)的指紋定位技術(shù)進(jìn)行了改進(jìn),提出了一種基于聚類算法和特征提取的分布式定位方案。主要工作如下:首先,本文研究了如何對(duì)數(shù)據(jù)量較大的指紋數(shù)據(jù)集進(jìn)行改進(jìn)。指紋數(shù)據(jù)集中每條數(shù)據(jù)對(duì)應(yīng)每個(gè)參考點(diǎn)接收到的所有AP的RSS數(shù)值,在行方向上,本文考慮使用聚類算法,以分割指紋數(shù)據(jù)集中的參考點(diǎn),映射到實(shí)際定位場(chǎng)景中,即把定位區(qū)域劃分為一個(gè)個(gè)小區(qū)域;完成劃分后,每個(gè)參考點(diǎn)接收到的AP的RSS數(shù)值并不都是具有定位價(jià)值的,有些AP對(duì)位置的識(shí)別能力很低,在不同參考點(diǎn)該AP的RSS差別并不是很大,體現(xiàn)不出RSS和位置之間的映射關(guān)系,需要提取RSS信息中的特征,所以在列方向上的處理,考慮使用特征提取方法,減少數(shù)據(jù)維度。從這兩個(gè)方向進(jìn)行優(yōu)化,就可以減少待定位點(diǎn)數(shù)據(jù)進(jìn)行匹配的數(shù)量,同時(shí)降低計(jì)算的復(fù)雜度,提高定位精度。其次,選取聚類算法和特征提取算法。分析了K-means算法和模糊C均值算法這兩類應(yīng)用最廣泛的聚類算法,但是它們都存在明顯的缺陷,即需要預(yù)先對(duì)類別個(gè)數(shù)進(jìn)行設(shè)定,并且對(duì)聚類結(jié)果受聚類個(gè)數(shù)以及初始聚類中心的影響非常大,對(duì)類別外的孤立點(diǎn)敏感度較高。本文提出使用密度峰值和距離聚類算法(CFSFDP),并使用MapReduce計(jì)算框架進(jìn)行改進(jìn);在選擇特征提取算法部分,提出基于MapReduce改進(jìn)的主成分分析法。最后在在線定位階段,針對(duì)K近鄰算法和加權(quán)K近鄰算法的需要手動(dòng)設(shè)置K值的缺陷,提出使用改進(jìn)的加權(quán)K近鄰算法(EWKNN)。相比于K近鄰算法和加權(quán)K近鄰算法,該算法設(shè)定了一個(gè)閾值,動(dòng)態(tài)選擇k值,避免了固定k值會(huì)引入實(shí)際距離偏離待定位點(diǎn)較遠(yuǎn)的參考點(diǎn)的問(wèn)題,從而提高定位精度�；贛apReduce對(duì)EWKNN進(jìn)行改進(jìn),實(shí)現(xiàn)算法并行化,提升運(yùn)行效率。實(shí)驗(yàn)證明,本文提出的基于聚類算法和特征提取的室內(nèi)定位系統(tǒng)在定位效果和運(yùn)行效率上相比于傳統(tǒng)室內(nèi)定位系統(tǒng)有很大的改善。
【圖文】：

eless fidelity 的縮寫(xiě)，中文是無(wú)線保真。WiFi 和 IEEE802.1代表，其規(guī)定了物理層需要在 2.4GHz 頻段上進(jìn)行工作，且有:跳頻擴(kuò)頻、直接擴(kuò)頻以及紅外線。載波偵聽(tīng)多路訪問(wèn)/沖突鏈路層[20]。主要特點(diǎn)為高速、高帶寬、高覆蓋率，受較少到非視距的限。絡(luò)基本結(jié)構(gòu)節(jié)點(diǎn)由 IEEE802.11 的定義決定，其主要由接入點(diǎn)、基本服式系統(tǒng)、擴(kuò)展服務(wù)集等原始組件組成[10,11]。如圖 2.1。

8圖 2.2 RSS 樣本直方圖圖 2.2 中的直方圖為所測(cè)某一 AP 的 WiFi 信號(hào)強(qiáng)度數(shù)據(jù)全部樣本的概率分布，根據(jù)上圖分析，在-70dBm 處，，信號(hào)強(qiáng)度的出現(xiàn)概率最大，以-70dBm 為中心，無(wú)論信號(hào)強(qiáng)度增大或者減小，其出現(xiàn)概率都會(huì)逐漸遞減，樣本總體以 72.75%的概率出現(xiàn)在-65 到-74 之間，這樣的概率分布類似正態(tài)分布。在圖 2.2 中，紅色的曲線為根據(jù)樣本均值和標(biāo)準(zhǔn)差計(jì)算得出的該樣本高斯概率密度曲線
【學(xué)位授予單位】：南京郵電大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：TN92;TP311.13

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 熊志斌;朱劍鋒;王冬;;K-means聚類算法的研究和應(yīng)用[J];電腦編程技巧與維護(hù);2014年08期

2 苗浩軒;王景成;李創(chuàng);費(fèi)靈;劉正峰;;一種基于模糊邏輯的室內(nèi)定位方法[J];化工自動(dòng)化及儀表;2014年04期

3 謝代軍;胡捍英;孔范增;;基于分布重疊和特征加權(quán)的無(wú)線局域網(wǎng)室內(nèi)定位算法[J];計(jì)算機(jī)科學(xué);2013年11期

4 廖飛;黃晟;龔德俊;安樂(lè);;基于Hadoop的城市道路交通流量數(shù)據(jù)分布式存儲(chǔ)與挖掘分析研究[J];公路與汽運(yùn);2013年05期

5 劉師語(yǔ);周淵平;杜江;;基于HADOOP分布式系統(tǒng)的數(shù)據(jù)處理分析[J];通信技術(shù);2013年09期

6 郝樹(shù)魁;;Hadoop HDFS和MapReduce架構(gòu)淺析[J];郵電設(shè)計(jì)技術(shù);2012年07期

7 劉廣孚;田冀;陶鳳陽(yáng);姚誠(chéng);;基于樣本內(nèi)主成分分析的潛油電泵偏磨診斷[J];儀器儀表學(xué)報(bào);2012年07期

8 李玲俐;;數(shù)據(jù)挖掘中分類算法綜述[J];重慶師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年04期

9 張小平;周雪忠;黃厚寬;馮奇;陳世波;焦宏官;;一種改進(jìn)的LDA主題模型[J];北京交通大學(xué)學(xué)報(bào);2010年02期

10 陳康;鄭緯民;;云計(jì)算:系統(tǒng)實(shí)例與研究現(xiàn)狀[J];軟件學(xué)報(bào);2009年05期

本文編號(hào)：2596738